首页 > TAG信息列表 > hat
时间反演对称和空间反演对称性
哈密顿量: \[H(r)=\sum_ke^{ikr}H(k)e^{-ikr} \]一，时间反演对称性 \(\hat{T}\): \([\hat{T},H(r)]=\hat{T}H(r)-H(r)\hat{T}=0\) 得到: \(\hat{T}H(r)\hat{T}^{-1}=H(r)\) \[\hat{T}\sum_{k}e^{ikr}H(k)e^{-ikr}\hat{T}^{-1} = H(r) \\ =\sum_{k}e^{-ikr}\hat{T}H(k反向传播算法
在介绍反向传播算法前，先看看矩阵微分的概念。 矩阵微积分 为了书写简便，我们通常把单个函数对多个变量或者多元函数对单个变量的偏导数写成向量和矩阵的形式，使其可以被当成一个整体处理． 标量关于向量的偏导数 对于 \(M\) 维向量 \(\boldsymbol{x} \in \mathbb{R}^{M}\) 和函数SLAM后端—线性系统滤波（KF）与非线性系统滤波（EKF）
SLAM学习笔记—后端 概述 状态估计概率分布的核心思想 未知量(\(x_k\))的后验概率分布 = 似然概率分布 × 未知量(\(x_k\))的先验概率分布 这一等式贯穿全文，请牢牢抓住！ 运动方程和观测方程 \[\begin{cases} x_k = f(x_{k-1},u_k)+w_k \\\\ z_k=h(x_k)+v_k \end{cases}Black Hat 2022 聚焦软件供应链安全
Black Hat 大会被公认为世界信息安全行业最权威大会，也是在全球范围内最具有技术性的信息安全大会。Black Hat USA 聚焦网络安全事件，并且持续向外界输出前沿安全技术研究成果以及行业发展趋势分析，吸引着全球各地的安全从业者。 软件供应链安全备受关注 软件供应链安全成为 Black Ha虚拟机安装Linux系统
环境：Windows11 + VMware Workstation 16 Pro 安装: Linux的Ubuntu CentOS（Community ENTerprise Operating System）是Linux发行版之一，它是来自于Red Hat Enterprise Linux依照开放源代码规定释出的源代码所编译而成。由于出自同样的源代码，因此有些要求高度稳定性的服务器以CentOSAddressing Unmeasured Confounder for Recommendation with Sensitivity Analysis
目录概符号说明问题本文方法代码 Ding S., Wu P., Feng F., Wang Y., He X., Liao Y. and Zhang Y. Addressing unmeasured confounder for recommendation with sensitivity analysis. In ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD), 2022 概 以往的基于python的数学建模---时间序列
JetRail高铁乘客量预测——7种时间序列方法 数据获取：获得2012-2014两年每小时乘客数量 import pandas as pd import numpy as np import matplotlib.pyplot as plt df = pd.read_csv('C:\\Users\\Style\\Desktop\\jetrail.csv', nrows=11856) df.head() print(df.head()) 从20【笔记】VolTeMorph
VolTeMorph Introduction 和NeRF-Editing类似，采用弯曲光线的方式，完成对模型的编辑，不同点有四个 扩展到更多区域，例如嘴内部 利用显卡的光追单元，做到了实时（单张3090） 对view direction做了校正 不使用编辑mesh再传播的方法，而是直接对四面体几何进行操作，可以结合物理模拟 另外，加入了自适应步长算法
Variable Step-Size NLMS Algorithm for Under-Modeling Acoustic Echo Cancellation 介绍 声学回声消除（AEC）是自适应滤波最流行的应用之一。自适应滤波器的作用是识别终端扬声器和麦克风之间的声学回声路径，即房间声学脉冲响应。尽管许多自适应算法在理论上适用于 AEC，但在精度深度学习-神经网络原理1
逻辑回归基础 逻辑回归目的 逻辑回归的目的就是训练一个函数，将数据的数据输入，输出一个结果，这个结果对于不同的问题不同，对于二分类问题主要是输出一个概率值，表示是这个分类的概率。假设数据数据X为输入，Y为分类结果，计算下面这个函数： \[\hat{y}=w·X+b \]\[ \begin{aligned} &输入数Graph Convolutional Matrix Completion
目录概符号说明流程EncoderDecoder代码 van den Berg R. Kipf T. N. and Weling M. Graph convolutional matrix completion. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (SIGKDD), 2017. 概 GCN 在推荐系统中的一次Recommendations as Treatments: Debiasing Learning and Evaluation
目录概符号说明MNAR 带来的 biasIPS EstimatorIPS Estimator 的变化性例子利用 IPS estimator 进行训练泛化界例子估计 Propensity Score泛化界疑问代码 Schnabel T., Swaminathan A., Singh A., Chandak N., Joachims T. Recommendations as treatments: debiasing learning and卡尔曼滤波详解
卡尔曼滤波是一个强大的工具，可以融合存在误差的信息，提取到更加精确的信息。 什么是卡尔曼滤波？ 我们可以在任何包含不确定信息的动态系统中使用卡尔曼滤波，对系统下一步的状态做出有根据的预测。即使信息的不确定性会干扰到预测，卡尔曼滤波也能够预测出接近真实的变化情况。Red Hat Enterprise 9上配置环境的教程(一)
Red Hat Enterprise 9上的环境配置(一) 目录Red Hat Enterprise 9上的环境配置(一)JDK配置教程Tomcat配置教程maven配置教程 JDK配置教程 首先，我们要检查一下当前系统是否安装了自带的JDk,检查命令如下： java -version 通过该命令可以知道当前系统安装的jdk版本，然后再VMware上安装Red Hat Enterprise 9并免费使用的方法
VMware上安装Red Hat Enterprise 9并免费使用的方法 @目录VMware上安装Red Hat Enterprise 9并免费使用的方法为什么使用虚拟机Linux官网注册红帽子账户并下载Red Hat Enterprise 9的iso映像VMware Workstation Pro 16安装iso映像 为什么使用虚拟机Linux 因为目前好多程序员相Variational Autoencoders for Collaborative Filtering
目录概整体框架细节代码 Liang D., Krishnan R. G., Hoffman M. D. and Jebara T. Variational autoencoders for collaborative filtering. In International Conference on World Wide Web (WWW), 2018. 概 一种基于 VAE 的协同过滤方法. 整体框架 \(\bm{x}_u \in \mathbb【Deep Learning】神经网络与深度学习
本文为吴恩达 Deep Learning 笔记 深度学习概述 什么是神经网络： Neural Network 神经网络 Neuron 神经元 Rectified Linear Unit (ReLU) 线性整流函数 房价预测案例 用神经网络进行监督学习： Supervised Learning / Unsupervised Learning 监督学习 / 无监督学习 Structured6.线性回归的简单评价指标
均方误差（MSE） \[\mathrm{MSE}=\frac{1}{N}\sum_{i=1}^{N}(\hat{y}^{(i)}-y^{(i)})^2 \] 均方根误差（RMSE） \[\mathrm{RMSE}=\sqrt{\mathrm{MSE}} \] 平均绝对误差 （MAE） \[\mathrm {MAE}=\frac{1}{N}\sum_{i=1}^N||\hat{y}^{(i)}-y^{(i)}|| \] \(R^2\) \[\beginGeneral Seniority 学习笔记(1): BCS
General Seniority 学习笔记(1): BCS 我学习了参考文献 [1,2]，把里面的核心公式推导核对整理了，因为觉得有点意思。做完笔记我顺手写了个代码，还没来得及核对。 下一步可以考虑投影 broken-pair 的优化和投影，即 seniority 取次极小的内秉态做投影。 参考文献： [1] 贾力源，"ApplicationFairness among New Items in Cold Start Recommender Systems
目录概符号说明Opportunity fairnessMax-Min opportunity fairnessMean Discounted Gain (MDG)主要内容基本框架Joint-learning generative methodScore scaling method Zhu Z., Kim J. and Nguyen T. Fairness among new items in cold start recommender systems. In Interna0902Softmax回归从零开始
点击查看代码 import pylab import torch from IPython import display from d2l import torch as d2l # softmax回归的从零开始实现 batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) # 初始化模型参数 # 将展平每个图像，把它们看作长度为78机器学习-学习笔记(二) --> 模型评估与选择
目录一、经验误差与过拟合二、评估方法模型评估方法1. 留出法（hold-out）2. 交叉验证法（cross validation）3. 自助法（bootstrapping）调参（parameter tuning）和最终模型数据集（data set）三、性能度量（performance measure）1. 回归任务的性能度量1.1 均方误差、均方根误差1.2 平方绝对误差1.3 确Practical Data Poisoning Attack against Next-Item Recommendation
目录概主要内容 Zhang H., Li Y., Ding B. and Gao J. Practical data poisoning attack against next-item recommendation. International World Wide Web Conferences (WWW), 2020. 概 设计一种 LOKI 的算法, 其伪造一些用户和行为, 使得用这些样本进行训练的推荐模型会偏向线性回归和逻辑回归
Introduction 分类算法(Classification) 监督学习(Supervised Learning) 线性回归 线性回归是为了建立输入特征\(x = (x_1, \cdots, x_n)^T\) 和输出值y之间的线性关系，即: \[y = w^T x \]假设有一组训练数据，特征\(X = ({x^{(1)},\cdots,x^{(m)}})\)，值\(\hat Y = ({\hat{y}^{(11.8 常见Linux发行版本有哪些？
新手往往会被 Linux 众多的发行版本搞得一头雾水，我们首先来解释一下这个问题。 从技术上来说，李纳斯•托瓦兹开发的 Linux 只是一个内核。内核指的是一个提供设备驱动、文件系统、进程管理、网络通信等功能的系统软件，内核并不是一套完整的操作系统，它只是操作系统的核心。一些组织或